Sistem Online Content Based Image Retrieval menggunakan Identifikasi Dominan Warna pada Foreground Objek Nana Ramadijanti1, Setiawardhana1 ,Fitria Purnamasari2
Dosen1 , Mahasiswa2 Politeknik Elektronika Negeri Surabaya Kampus PENS-ITS Keputih Sukolilo Surabaya 60111 Telp (+62)31-5947280, 5946114, Fax. (+62)31-5946114 Email :
[email protected],
[email protected],
[email protected]
Abstrak Content Based Image Retrieval atau CBIR merupakan salah satu bentuk aplikasi computer vision untuk pencarian citra berdasarkan fitur yang ada pada citra itu sendiri. Sistem dibangun dengan memanfaatkan fitur utama dari citra yaitu fitur warna. Ekstraksi fitur warna yang umum dipakai adalah histogram warna, tetapi pada umumnya citra hadir dalam kondisi background yang sangat beragam, hal ini berpengaruh terhadap kebenaran hasil retrival. Optimasi CBIR yang dilakukan pada penelitian ini adalah menggunakan fitur warna dari foreground citra. Pada penelitian ini aplikasi CBIR dibangun dengan input citra query secara online dengan menggunakan kamera web. Proses pencarian dilakukan dengan pengambilan gambar online kemudian dengan metode proses ekstraksi fitur warna sehingga dapat diketahui informasi ciri dari gambar. Pemrosesan awal yang dilakukan adalah normalisasi ukuran (resize 320 x 240), normalisasi cahaya, menghilangkan background. Model warna yang digunakan pada ekstraksi fitur adalah HSV. Proses selanjutnya adalah histogram interseksi pada warna HSV. Hasil pengujian CBIR Online pada sepuluh kategori obyek diperoleh rata-rata kemiripan 94.4%. Histogram interseksi HSV dapat digunakan untuk memperoleh fitur ciri general citra. Pengujian CBIR Online dengan data citra di luar data training rata-rata kemiripan sebesar 90%.
Kata Kunci : Content Based Image Retrieval, Histogram HSV, Citra Foreground. 1. Pendahuluan Penelitian image retrieval pada umumnya dilakukan dengan menggunakan pendekatan indeks dan informasi citra yang berbasis teks. Teknik pencarian berbasis teks menjadi tidak praktis karena ukuran basis data gambar yang besar dan bersifat subyektif dalam mengartikan gambar dengan teks. Kata kunci yang dikodekan terbatas pada beberapa istilah yang dihasilkan untuk masingmasing referensi gambar. Lebih lanjut beberapa gambar yang dihasilkan akan tampak sangat berbeda dibandingkan dengan keinginan user dari otomatisasi pencarian menggunakan kata kunci. Teknik tersebut diperbaiki dengan cara image retrieval berbasis pendekatan alternative yaitu teknik mencari gambar hanya berdasarkan informasi yang ada pada gambar tersebut. Teknik image retrieval yang dipilih disamping dapat mencapai rata-rata kemampuan retrieval yang tinggi, seringkali memberikan konsekuensi waktu komputasi yang tinggi dikarenakan harus memproses dimensi data gambar yang besar. Ekstraksi fitur warna yang umum dipakai adalah histogram warna, tetapi pada umumnya citra hadir dalam kondisi background yang sangat beragam, hal ini berpengaruh terhadap kebenaran hasil retrieval. Untuk
mengoptimalkan fitur warna dari objek gambar maka pada penelitian ini fitur warna yang dipakai hanya warna foreground objek gambar. Proses untuk mendapatkan ekstraksi fitur warna foreground menggunakan interseksi histogram dengan distribusi warna yang digunakan sebanyak 48 warna. Metode yang dibangun adalah dapat meningkatkan kebenaran hasil retrieval dari masukan query gambar secara online. Permasalahan utama pada penelitian ini adalah : 1. Teknik pencarian gambar dengan menggunakan fitur warna 2. Teknik mendapatkan fitur warna yang dominan pada gambar. 3. Pengembangan sistem online kamera dengan performasi dan kualitas yang baik. Tujuan penelitian ini adalah membangun sistem online CBIR menggunakan fitur warna dominan pada obyek gambar, dengan kontribusi yaitu alternatif pada masukan query sistem CBIR dan metode untuk mencari fitur warna dominan pada objek gambar. 2. Kajian Pustaka 2.1. Model Warna HSV
Model warna HSV mendefinisikan warna dalam terminologi Hue, Saturation dan Value. Hue menyatakan warna sebenarnya, seperti merah, violet, dan kuning. Model ruang warna ini pernah digunakan pada penelitian sebelumnya[3,4,5]. Hue digunakan untuk membedakan warna-warna dan menentukan kemerahan (redness), kehijauan (greeness), dsb, dari cahaya. Hue berasosiasi dengan panjang gelombang cahaya. Saturation menyatakan tingkat kemurnian suatu warna, yaitu mengindikasikan seberapa banyak warna putih diberikan pada warna. Value adalah atribut yang menyatakan banyaknya cahaya yang diterima oleh mata tanpa memperdulikan warna.
Untuk histogram yang ternormalisasi (jumlah total sama dengan 1),interseksi histogram adalah : n
DHn (h1n , h2 n ) 1 h1in h2in i 1
Persamaan diatas adalah model matriks jarak Minkowski dengan k=1. Sifat interseksi histogram dapat menghilangkan bagian tertentu (occlusion), dimana apabila sebuah objek dalam suatu image dihilangkan pada bagian tersebut, bagian yang kelihatan masih mempunyai kontribusi untuk kesamaan atau similaritas. 3. Perancangan Sistem 3.1. Perancangan Perangkat Lunak Sistem secara keseluruhan dirancang dengan dengan dimulai dari masukan data query, kemudian dilakukan proses pemilahan background dan foreground, dilakukan interseksi histogram HSV, kemudian pencocokan dan hasil retrieval ditampilkan di layar.
Gambar 1. Model Warna HSV.
Karena model warna HSV merupakan model warna yang diturunkan dari model warna RGB maka untuk mendapatkan warna HSV ini , kita harus melakukan proses konversi warna dari RGB ke HSV. HSV merupakan salah satu cara untuk mendefinisikan warna yang didasarkan pada roda warna. Hue mengukur sudut sekitar roda warna (merah pada 0 derajat, 120 derajat di hijau, biru, di 240 derajat). Saturation yang menunjukkan pada radius roda warna sehingga menunjukkan proporsi antara gelap (pusat) untuk warna ke putih murni (di luar).Value Menunjukkan nilai kecerahan. Hue memiliki nilai antara 0 hingga 360 (derajat), Saturation and Value berkisar dari 0 hingga 100%. 2.2. Histogram Interseksi Histogram interseksi pernah dilakukan oleh peneliti sebelumnya[3,4], dengan melakukan perhitungan jarak dengan membandingkan dua histogram h1 dan h2 dan terhadap n bin dengan mengambil nilai interseksi dari kedua histogram tersebut. n
D
H
(h1, h2) 1
min( h1 , h2 ) i
i 1
i
n
h1 i 1
i
Normalisasi diperlukan karena pada saat menggunakan image dengan ukuran yang berbeda, fungsi jarak ini bukanlah sebuah matrik yang seharusnya DH(g,h)≠DH(g,h). Supaya manjadi sebuah matrik yang valid, pada histogram diperlukan : h1n
h1 n
h1 i 1
i
Gambar 2. Gambaran Umum Perancangan Sistem
Gambar 2 menunjukkkan sistem bekerja dengan menggunakan online kamera untuk memperoleh gambar dan dilakukan proses retrieval. 3.1.1. Perancangan Sistem CBIR Perancangan perangkat lunak dalam pembuatan sistem terdapat pada gambar 3.
Tabel 1. Warna 48 Crayon
Gambar 3. Blok Diagram Sistem CBIR
Sistem pada gambar 3 adalah memperoleh fitur ciri obyek dengan interseksi histogram. 3.1.2. Pemrosesan awal. Raw image dari pencarian data ini bervariasi baik kualias maupun ukuran piksel gambarnya, dikarenakan sumber datanya juga bervariasi. Sehingga perlu dilakukan standarisasi perspektif agar algoritma yang dipakai dalam proses selanjutnya dapat bekerja secara optimal. Pemroses awal yang akan dilakukan ada 3 proses yaitu : Normalisasi ukuran (resize 320 x 240), Normalisasi cahaya, Menghilangkan background. Diagram alir ada pada gambar 4.
No. 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44
R 188 42 53 158 26 28 91 2 170 61 0 150 24 1 188 42 64 40 31 193 198 230 209 96 95 33 203 10 76 123 150 62 190 230 14 227 117 179 114 66 171 117 21 149 255
G 138 40 48 63 28 130 48 111 189 48 155 169 83 93 177 74 46 93 127 61 99 201 74 118 164 24 47 88 117 227 141 56 161 143 98 246 121 161 49 34 28 28 154 91 201
B 33 113 55 131 41 44 42 69 193 42 96 186 87 134 1 87 46 68 100 110 145 157 19 53 221 141 22 188 222 216 222 154 197 14 98 252 130 111 47 99 58 58 89 87 101
45 46 47
217 145 14
215 124 122
70 41 214
Gambar 4. Diagram alir pemroses awal.
3.1.3. Distribusi Warna Distribusi warna yang digunakan pada program penelitian ini 48 warna crayon.
Tabel 1 merupakan tabel nilai RGB pada 48 warna crayon (x1-x48). Dari tabel 1 maka dapat ditampilkan pada program akan seperti gambar dibawah ini.
Gambar 5. Distribusi Warna Crayon 48 warna
minimal adalah gambar yang paling mirip dengan gambar template
3.1.4. Segmentasi Warna Segmentasi adalah suatu proses yang digunakan untuk mengelompokkan gambar sesuai dengan obyek gambarnya. Setelah menentukan berapa banyak distribusi warna yang digunakan maka tiap gambar yang ada dilakukan segmentasi warna.
ei
(r r ) i
2
( g i g ) 2 (bi b) 2
d V
( db )
V
(Q )
dimana V (db) dan V (Q ) adalah vektor dari gambar database dan gambar query. 4. Hasil dan Pembahasan Pengujian menggunakan 200 data training gambar, terdiri dari 10 kategori gambar, masing-masing kategori ada 20 gambar (10 gambar asli dari internet dan 10 gambar hasil dari gambar yang diprint setelah itu dicapture menggunakan webcam). Tabel 2. Data Training No.
Gambar 6. Segmentasi 48 warna
3.1.5. Histogram HSV HSV merupakan salah satu cara untuk mendefinisikan warna yang didasarkan pada roda warna. Hue mengukur sudut sekitar roda warna (merah pada 0 derajat, 120 derajat di hijau, biru, di 240 derajat). Saturation yang menunjukkan pada radius roda warna sehingga menunjukkan proporsi antara gelap (pusat) untuk warna ke putih murni (di luar). Value menunjukkan nilai kecerahan. Hue memiliki nilai antara 0 hingga 360 (derajat), Saturation and Value berkisar dari 0 hingga 100%. 3.1.6. Interseksi Histogram interseksi melakukan perhitungan jarak dengan membandingkan dua histogram h1 dan h2 dan terhadap n bin dengan mengambil nilai interseksi dari kedua histogram tersebut. n
D
(h1, h2) 1 H
min( h1 , h2 ) i
i 1
i
n
h1 i 1
i
3.1.7. Image Matching Image matching adalah metode yang digunakan dalam Penelitian ini yang bertujuan untuk mengetahui kemiripan dua buah gambar. Pertama, gambar query dan gambar database ditentukan. Gambar query disebut juga dengan gambar acuan atau gambar template adalah suatu gambar yang dijadikan acuan informasi (content) dalam proses pencarian. Sedangkan gambar database atau kumpulan gambar target adalah sekumpulan gambar yang akan digunakan sebagai database gambar. Kemudian kedua gambar tersebut dilakukan proses ekstraksi ciri warna. Gambar yang mempunyai jarak yang
Jenis Gambar
1.
Bunga Sepatu
2.
Bunga Melati
3.
Bunga Matahari
4
Bunga Mawar merah
5
Bunga Angrek Ungu
6.
Buah Pear
7.
Tomat
8.
Harimau
9.
Burung berwarna biru
10.
Kuda
11.
Bunga Anggrek
4.1. Pengujian Retreival pada Bunga Sepatu Uji coba dilakukan terhadap 5 gambar bunga Sepatu yang sama dengan data training,dan hasil yang ditampilkan adalah 5 gambar dengan urutan nilai prosentasi kemiripan dimulai dari yang terbesar sampai yang terkecil. Tabel 3. Hasil Uji Coba Bunga Sepatu
4.2. Pengujian Retreival pada Bunga Melati Uji coba dilakukan terhadap 5 gambar bunga Melati yang sama dengan data training,dan hasil yang ditampilkan adalah 5 gambar dengan urutan nilai prosentasi kemiripan dimulai dari yang terbesar sampai yang terkecil. Tabel 4. Hasil Uji Coba Bunga Melati
4.3. Pengujian Retreival pada Bunga Matahari Uji coba dilakukan terhadap 5 gambar bunga Matahari yang sama dengan data training,dan hasil yang ditampilkan adalah 5 gambar dengan urutan nilai prosentasi kemiripan dimulai dari yang terbesar sampai yang terkecil. Tabel 5. Hasil Uji Coba Bunga Matahari
Pengujian juga dilakukan pada gambar Bunga Mawar, gambar Bunga Anggrek Ungu, gambar Buah Pear, gambar Buah Tomat, gambar Harimau, gambar Burung, dan gambar Kuda. 4.4. Pembahasan
Dari uji coba pada 10 katergori gambar diatas dapat disimpulkan rata-rata persentase hasil retrieval adalah sebagai berikut : Tabel 6. Kemiripan Obyek
5.2. Saran Berdasar Penelitian yang telah dilakukan masih dapat dikembangkan dengan metode yang lain sehingga didapatkan hasil yang lebih memuaskan. Saran-saran yang dapat diberikan diantaranya adalah: 1. Peningkatan keakuratan hasil identifikasi. 2. Menerapkan metode pengelompokan menggunakan algoritma statistika atau kecerdasan buatan. 3. Menggabungkannya dengan fitur yang lain,untuk mendapatkan hasil yang lebih optimal. Daftar Pustaka [ 1 ] Krishnan; Banu M.Sheerin ; Christtiyana ,C Callins.” Content Based Image Retrieval using Dominant Color Identification Based on Foreground Objects” [ 2 ] G.Gordon ; T.Darrell ; M.Harville ; J.Woodfill .“Background Estimation and removal based on range and color “
Berdasar hasil pengujian diperoleh rata-rata kemiripan 94.4%. Kesalahan disebabkan oleh histogram pada data tes yang memiliki kemiripan yang tinggi dengan data tes objek yang lain. Interseksi Histogram HSV cukup baik digunakan untuk memperoleh fitur ciri sebuah obyek. Image Retrieval dengan online kamera dapat dilakukan dan diperoleh hasil yang cukup baik. Pengujian juga dilakukan dengan data gambar diluar data training dengan keberhasilan sebesar 90%. 5. Kesimpulan dan Saran 5.1. Kesimpulan Berdasarkan hasil pengujian dan analisa pada sistem ini , maka dapat diambil beberapa kesimpulan sebagai berikut : 1. Rata-rata presentase kemiripan gambar dengan uji coba gambar query dari data training sebesar 94.4% 2. Rata-rata presentase kemiripan gambar dengan uji coba gambar query diluar data training sebesar 90% 3. Rata-rata persentase kemiripan berdasarkan dominan warna pada foreground citra untuk sample di atas sebesar 92,2%. Hasil tersebut menunjukkan bahwa ciri warna dominan pada foreground citra sudah dapat membedakan gambar dengan baik. 4. Intensitas cahaya mempengaruhi akurasi pada sistem image retrieval dan diselesaikan dengan proses normalisasi cahaya. 5. Ukuran citra tidak mempengaruhi akurasi pada sistem image retrieval karena dilakukan proses normalisasi ukuran obyek.
[ 3 ] Ramadijanti, Nana. “Modul Praktikum Color Histogram “, PENS -ITS [ 4 ] Setiawardhana. “ Identifikasi Kematangan Buah Tomat “, PENS –ITS
[ 5 ] Susilo, Andriant. “Web Image Retrieval Untuk
Identifikasi Bunga Dengan Pengelompokan Content Menggunakan Ciri Warna dan Bentuk “ , 2006.
